本发明专利技术公开了一种光谱分析方法、装置、终端设备及介质，该方法包括：获取待分析样本的光谱数据，并根据所述光谱数据构建对应的邻接矩阵；基于所述邻接矩阵，对所述光谱数据的批次误差进行移除；对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果。本发明专利技术能够提升对样品进行光谱分析时的准确性。够提升对样品进行光谱分析时的准确性。够提升对样品进行光谱分析时的准确性。
【技术实现步骤摘要】
光谱分析方法、装置、终端设备及介质
[0001]本专利技术涉及数据分析
，尤其涉及一种光谱分析方法、装置、终端设备及计算机可读存储介质。
技术介绍
[0002]光谱分析是进行物质鉴别的有效手段。相比于传统的光谱分析方法而言，应用机器学习算法，对光谱进行分析，能够显著降低成本、提高效率。然而，当样品是多种物质的复杂混合物时，其光谱信息就是多种物质光谱的叠加。这就使得在将机器学习算法应用于光谱分析时，单个学习器往往难以抽取出光谱数据中蕴含的有效信息。并且，在实际应用中，样品的光谱往往不是在同一批次测量完成的。由于测量批次的不同所带来的误差，称为批次效应（batch effect）。对于一些批次效应强烈的光谱数据而言，能否有效移除或降低批次效应的影响，对于利用机器学习算法进行光谱分析是很关键的。
[0003]可见，现有的使用单个学习器进行光谱分析的方式极大程度降低了光谱分析结果的准确性，另外，还忽略了批次效应对于光谱分析结果的影响，导致得到的光谱分析结果更加不可靠。
技术实现思路
[0004]本专利技术的主要目的在于提供一种光谱分析方法、装置、终端设备及计算机可读存储介质，旨在提升对光谱数据进行光谱分析时的准确性。
[0005]为实现上述目的，本专利技术提供一种光谱分析方法，所述方法包括以下步骤：获取待分析样本的光谱数据，并根据所述光谱数据构建对应的邻接矩阵；基于所述邻接矩阵，对所述光谱数据的批次误差进行移除；对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果。
[0006]可选地，所述光谱数据包括光谱特征，所述根据所述光谱数据构建对应的邻接矩阵的步骤，包括：基于所述光谱特征确定所述待分析样本的光谱间的相似度图，并确定所述相似度图中的各个节点；对所述各个节点对应的特征向量之间的距离进行排序得到排序结果；基于所述排序结果，构建所述各个节点对应的节点集合，并基于多个所述节点集合构建邻接矩阵。
[0007]可选地，在所述基于所述排序结果，构建所述各个节点对应的节点集合，并基于多个所述节点集合构建邻接矩阵的步骤之后，还包括：根据所述邻接矩阵，确定对应的正则化拉普拉斯矩阵，以基于所述正则化拉普拉斯矩阵，对所述待分析样本的光谱数据的批次误差进行移除。
[0008]可选地，所述基于所述邻接矩阵，对所述光谱数据的批次误差进行移除的步骤，包括：
基于所述邻接矩阵对应的正则化拉普拉斯矩阵，通过预设优化算法，确定所述待分析样本的光谱数据对应的初始特征矩阵，其中，所述初始特征矩阵为去除批次效应和噪声影响的矩阵；基于所述初始特征矩阵获取对应的初始批次效应因子矩阵；基于所述初始批次效应因子矩阵确定目标初始特征矩阵和目标批次效应因子矩阵，以对所述光谱数据的批次误差进行移除处理。
[0009]可选地，所述基于所述初始批次效应因子矩阵确定目标初始特征矩阵和目标批次效应因子矩阵，以对所述光谱数据的批次误差进行移除处理的步骤，包括：对所述初始批次效应因子矩阵进行非负矩阵分解得到大小不同的第一非负矩阵和第二非负矩阵；基于所述第一非负矩阵和所述第二非负矩阵获取目标批次效应因子矩阵，并确定目标批次效应因子矩阵是否满足预设低秩约束；若是，则基于所述目标批次效应因子矩阵确定对应的目标特征矩阵；根据所述目标特征矩阵和所述目标批次效应因子矩阵，对所述光谱数据的批次误差进行移除。
[0010]可选地，所述对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果的步骤，包括：通过预设的集成学习模型对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果，其中，所述集成学习模型包括：轻量化梯度提升机LightGBM。
[0011]可选地，所述通过预设的集成学习模型对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果的步骤，包括：将移除批次误差的待分析样本的光谱数据输入至所述LightGBM，并得到所述LightGBM输出的光谱分析结果，其中，在所述待分析样本为待分析白酒时，所述光谱分析结果包括：酒精度、酸酯总量和味觉指标中的一种或多种。
[0012]为实现上述目的，本专利技术还提供一种光谱分析装置，所述光谱分析装置包括：构建模块，用于获取待分析样本的光谱数据，并根据所述光谱数据构建对应的邻接矩阵；移除处理模块，用于基于所述邻接矩阵，对所述光谱数据的批次误差进行移除；集成学习模块，用于对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果。
[0013]为实现上述目的，本专利技术还提供一种终端设备，所述终端设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的光谱分析程序，所述光谱分析程序被所述处理器执行时实现如上所述的光谱分析方法的步骤。
[0014]此外，为实现上述目的，本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有光谱分析程序，所述光谱分析程序被处理器执行时实现如上所述的光谱分析方法的步骤。
[0015]为实现上述目的，本专利技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的光谱分析方法的步骤。
[0016]本专利技术提供一种光谱分析方法、装置、终端设备、计算机可读存储介质以及计算机
程序产品，通过获取待分析样本的光谱数据，并根据所述光谱数据构建对应的邻接矩阵；基于所述邻接矩阵，对所述光谱数据的批次误差进行移除；对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果。
[0017]相比于现有技术中利用单个学习器忽略批次效应的光谱分析方式，在本专利技术中，预先对待分析样本的光谱数据的批次误差进行移除，进而，对移除批次效应的光谱数据进行集成学习，实现对样本的光谱数据的分析处理。因此，本专利技术能够在移除光谱数据的批次误差后通过集成学习的方式进行光谱分析，避免了批次误差对光谱数据的影响，并且，本专利技术采用集成学习的方式进行光谱分析，相比于单个学习器，本专利技术既提升了光谱分析精度，也提升了光谱分析效率，同时，相比于传统的光谱检测和分析方法而言，基于集成学习的机器学习算法，也降低了光谱分析成本。
附图说明
[0018]图1为本专利技术实施例方案涉及的硬件运行环境的结构示意图；图2为本专利技术光谱分析方法一实施例的第一流程示意图；图3为本专利技术光谱分析方法一实施例的第二流程示意图；图4为本专利技术光谱分析方法一实施例的测试结果示意图；图5为本专利技术光谱分析方法装置一实施例的功能模块示意图。
[0019]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0020]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0021]如图1所示，图1是本专利技术实施例方案涉及的硬件运行环境的设备结构示意图。
[0022]本专利技术实施例的终端设备可以是智能手机、计算机、服务器和其它网络设备等，本实施例中的终端设备可用于实现样本的光谱分析。
[0023]如图1所示，该终端设备可以包括：处理器1001，例如CPU，网本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种光谱分析方法，其特征在于，所述光谱分析方法包括：获取待分析样本的光谱数据，并根据所述光谱数据构建对应的邻接矩阵；基于所述邻接矩阵，对所述光谱数据的批次误差进行移除；对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果。2.如权利要求1所述的光谱分析方法，其特征在于，所述光谱数据包括光谱特征，所述根据所述光谱数据构建对应的邻接矩阵的步骤，包括：基于所述光谱特征确定所述待分析样本的光谱间的相似度图，并确定所述相似度图中的各个节点；对所述各个节点对应的特征向量之间的距离进行排序得到排序结果；基于所述排序结果，构建所述各个节点对应的节点集合，并基于多个所述节点集合构建邻接矩阵。3.如权利要求2所述的光谱分析方法，其特征在于，在所述基于所述排序结果，构建所述各个节点对应的节点集合，并基于多个所述节点集合构建邻接矩阵的步骤之后，还包括：根据所述邻接矩阵，确定对应的正则化拉普拉斯矩阵，以基于所述正则化拉普拉斯矩阵，对所述待分析样本的光谱数据的批次误差进行移除。4.如权利要求1
‑
3中任一项所述的光谱分析方法，其特征在于，所述基于所述邻接矩阵，对所述光谱数据的批次误差进行移除的步骤，包括：基于所述邻接矩阵对应的正则化拉普拉斯矩阵，通过预设优化算法，确定所述待分析样本的光谱数据对应的初始特征矩阵，其中，所述初始特征矩阵为去除批次效应和噪声影响的矩阵；基于所述初始特征矩阵获取对应的初始批次效应因子矩阵；基于所述初始批次效应因子矩阵确定目标初始特征矩阵和目标批次效应因子矩阵，以对所述光谱数据的批次误差进行移除处理。5.如权利要求4所述的光谱分析方法，其特征在于，所述基于所述初始批次效应因子矩阵确定目标初始特征矩阵和目标批次效应因子矩阵，以对所述光谱数据的批次误差进行移除处理的步骤，包括：对所述初始批次效应因子矩阵进行非负矩阵分解得到大小不同的第一非负矩阵和第二...
【专利技术属性】
技术研发人员：石壮威，王晨卉，毕海，
申请(专利权)人：季华实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。